[논문 리뷰] Decomposition Multi-Objective Evolutionary Optimization: From State-of-the-Art to Future Opportunities

Ke Li|arXiv (Cornell University)|2021. 08. 21.

Advanced Multi-Objective Optimization Algorithms참고 문헌 319인용 수 9

한 줄 요약

이 논문은 다목적 유전적 최적화 기반의 분해 기법에 대해 종합적인 서베이를 제공하며, MOEA/D, 그 핵심 구성 요소 및 최근의 발전을 중심으로 다룹니다. 초보자를 위한 단계별 가이드를 제시하고, 가중 벡터 설계, 부분 문제 설정, 선택 및 복제 기법 분야의 주요 발전을 검토하며, 제약 처리, 비용이 많이 드는 目적 함수, 선호도 통합, 병렬 계산 분야의 새로운 연구 방향을 규명합니다. 또한 MOEA/D 프레임워크 내에서 수렴성과 평형 상태에 대한 깊이 있는 이론적 분석이 부족한 점을 지적합니다.

ABSTRACT

Decomposition has been the mainstream approach in the classic mathematical programming for multi-objective optimization and multi-criterion decision-making. However, it was not properly studied in the context of evolutionary multi-objective optimization until the development of multi-objective evolutionary algorithm based on decomposition (MOEA/D). In this article, we present a comprehensive survey of the development of MOEA/D from its origin to the current state-of-the-art approaches. In order to be self-contained, we start with a step-by-step tutorial that aims to help a novice quickly get onto the working mechanism of MOEA/D. Then, selected major developments of MOEA/D are reviewed according to its core design components including weight vector settings, sub-problem formulations, selection mechanisms and reproduction operators. Besides, we also overviews some further developments for constraint handling, computationally expensive objective functions, preference incorporation, and real-world applications. In the final part, we shed some lights on emerging directions for future developments.

연구 동기 및 목표

• 초보자가 MOEA/D의 작동 원리를 이해할 수 있도록 자립적이고 접근 가능한 가이드를 제공하기 위해.
• 가중 벡터 설정, 부분 문제 설정, 선택 메커니즘, 복제 연산자라는 네 가지 핵심 구성 요소에서 MOEA/D의 주요 발전을 체계적으로 검토하기 위해.
• 제약 최적화, 계산 비용이 많이 드는 목적 함수, 선호도 통합, 실제 응용 분야와 같은 실무적 과제를 해결하기 위해 MOEA/D의 확장 방식을 검토하기 위해.
• 향후 분해 기반 다목적 유전적 최적화 알고리즘 발전을 위한 새로운 연구 방향을 규명하고 논의하기 위해.
• MOEA/D 프레임워크 하에서 인구 기반 메타휴리스틱의 수렴성과 평형 상태에 대한 이론적 연구가 부족한 점을 부각함으로써 이론적 연구를 자극하기 위해.

제안 방법

• 가중 벡터를 통한 스칼라화와 부분 문제 분해에서 시작하여, MOEA/D의 기본 작동 원리를 단계별로 설명하는 가이드를 소개하기 위해.
• Tchebycheff, PBI, AASF와 같은 주요 부분 문제 설정 방식을 검토하고, 기하학적 성질과 수렴 성질을 분석하기 위해.
• 다양성을 유지하고 탐색 방향을 이끌기 위해 균일, 적응형, 동적 방법을 포함한 가중 벡터 생성 전략을 분석하기 위해.
• 매칭 기반 선택과 지배 기반 선택과 같은 선택 메커니즘을 분석하여, 수렴성과 다양성의 균형을 이루는 데서의 역할을 강조하기 위해.
• 복제 연산자 및 그 분해 기법과의 통합을 평가하며, 적응형 및 적응형 변형 전략을 포함하기 위해.
• 비용이 많이 드는 목적 함수 처리를 위한 서rogate 모델링, 페널티 방법을 통한 제약 처리, 기준점 기반의 선호도 기반 분해를 포함한 고급 기법과의 통합을 논의하기 위해.

실험 결과

연구 질문

• RQ1 MOEA/D를 어떻게 체계적인 가이드를 통해 초보자가 효과적으로 학습하고 이해할 수 있을까?
• RQ2 가중 벡터 생성, 부분 문제 설정, 선택, 복제 기법에서 가장 영향력 있는 설계 선택은 무엇인가?
• RQ3 실제 응용 분야에서 제약 조건, 비용이 많이 드는 목적 함수, 사용자 선호도를 처리하기 위해 MOEA/D는 어떻게 확장될 수 있는가?
• RQ4 MOEA/D 프레임워크 내에서 병렬 및 분산 계산을 구현하는 데 있어 핵심 과제와 기회는 무엇인가?
• RQ5 MOEA/D에 대해 현재 부족한 이론적 기초는 무엇이며, 특히 인구 기반 탐색에서의 수렴성과 평형 상태에 대한 이론적 기초는 무엇인가?

주요 결과

• MOEA/D는 복잡한 MOP를 관리 가능한 스칼라 부분 문제로 분해할 수 있는 능력 덕분에 다목적 유전적 최적화 분야에서 지배적인 프레임워크로 자리 잡았다.
• 일부 조건 하에서 Tchebycheff 및 PBI 부분 문제 설정 방식은 히퍼볼륨 지표와 渐近적으로 동치임을 보이며, 이는 성능에 대한 이론적 근거를 시사한다.
• 매칭 기반 선택 메커니즘은 MOEA/D에서 진화 과정의 평형 상태를 분석하는 데 유망한 기초를 제공하지만, 수렴성 증명은 아직 이루어지지 않았다.
• 광범위하게 사용되고 있음에도 불구하고, MOEA/D 프레임워크 하에서 인구 기반 메타휴리스틱의 수렴 성질을 규명한 이론적 연구는 아직 존재하지 않는다.
• MOEA/D의 병렬화는 여전히 개발이 부족하며, 마스터-슬레이브 또는 GPU 기반 모델을 사용한 연구가 제한적으로 존재함을 시사하며, 플랫폼 인식형 및 적응형 매핑 전략이 필요하다.
• MOEA/D와 서rogate 모델링 및 선호도 기반 분해의 통합은 비용이 많이 드는 MOP 및 실제 응용 MOP 해결에 유망한 방향을 제시하지만, 수렴성, 다양성, 흩어짐을 동시에 평가할 수 있는 맞춤형 성능 지표가 필요하다.